Ikaskuntza automatikoko ikuspegi bat, ur-zutabe oszilatzailearen uhin-sorgailuen pronostikorako

• Izaskun Garrido Hernandez ; Jon Lecube Garagarza ; Fares Mzoughi ; Payam Aboutalebi ; Irfan Ahmad ; Aitor J. Garrido Hernández ; Salvador Cayuela Padilla ^[1]
  1. [1] Universidad del País Vasco/Euskal Herriko Unibertsitatea

     Universidad del País Vasco/Euskal Herriko Unibertsitatea

     Leioa, España

     
• Localización: WWME 2023 V. Jardunaldia - Itsas energiako sistemen aurrerapen berriei buruzko irakaskuntza-oharrak / Aitor J. Garrido Hernández (ed. lit.), Matilde Santos Peñas (ed. lit.), Izaskun Garrido Hernandez (ed. lit.), 2024, ISBN 978-84-09-58971-5, págs. 25-30
• Idioma: euskera
• Enlaces
  • Texto Completo Libro
• Resumen
  • euskara

    Itsas arkuak eragindako kitzikapenek bibrazio estrukturalak eragiten dituzte ur oszilakorreko zutabeetan (OWC), eta, horren ondorioz, energia gutxiago sortzen da eta bizitza laburragoa egiten da. Artikulu honetan, sorgailua Mutrikuko MOWC instalazioan nola degradatzen den aztertzen da, failen pronostikorako eta karakterizaziorako ikaskuntza automatikora bideratutako estrategia baten bidez. Zehazki, khurbilagoko auzotasun-ereduak (kNN) erabiltzea proposatu da, OWC sorgailuak huts egin arteko denbora iragartzeko.

    Turbinen parametro operatiboak kontrolatzen dituzten sentsoreei buruz bildutako datuetan oinarritzen da ebaluazioa.

    Emaitzen arabera, proposatutako kNN eredua mantentze lanen kostuak murrizteko irtenbide eraginkor gisa nabarmentzen da, programazio aurreratua hilabete batzuk aurrerago egiteko aukera ematen baitu. Sorgailuaren akatsen aurreikuspenean zehaztasun handia izateak mantentze-praktika egokiak eta errentagarriak errazten ditu, eten garestiak ekidinez eta turbinen eraginkortasuna hobetuz. Emaitza horiek agerian uzten dute ikaskuntza automatikoaren ikuspegiek energiasektorearen barruko mantentze-lanei ekiteko duten ahalmena, eta nabarmentzen dute estrategia proaktiboen garrantzia gastu operatiboak.

  • English

    Wave-induced excitations lead to structural vibrations in Oscillating Water Columns (OWC), resulting in decreased power generation and a shortened lifespan. This article addresses the issue of generator degradation in the Mutriku MOWC plant through a machine learning-oriented strategy for prognosis and fault characterization. Specifically, the utilization of k-Nearest Neighbors (kNN) models has been suggested to forecast the time until OWC generator failure. The assessment relies on data gathered from sensors monitoring various operational parameters of the turbines. The results indicate that the proposed kNN model stands out as an effective solution for cost reduction in maintenance by allowing advanced scheduling months ahead. The high accuracy in predicting generator failures facilitates timely and cost-efficient maintenance practices, avoiding expensive breakdowns and enhancing turbine efficiency. These outcomes underscore the potential of machine learning approaches in tackling maintenance issues within the energy sector, emphasizing the relevance of proactive strategies to minimize operational expenses and optimize energy production.